belief propagation
PulseAugur coverage of belief propagation — every cluster mentioning belief propagation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的机器学习解码器提高了量子纠错精度
研究人员开发了一种新的机器学习解码器，称为量子贝叶斯图注意力解码器（QuBA），旨在提高量子纠错的精度。该解码器旨在提供可靠的不确定性量化，并更好地泛化到未见的量子纠错码。一个相关的框架，顺序聚合不确定性泛化（SAGU），进一步增强了鲁棒性，并实现了与QuBA的领域特定训练相当或更优的性能。
-
新的图Transformer改进了图模型的推理
研究人员开发了上下文图推理（ICG-I），一种新颖的自回归图Transformer，旨在改进离散图模型的边际推理。该新方法使用学习到的、张量-链压缩的中间因子来模拟变量消除过程。ICG-I旨在克服精确算法的可扩展性限制以及信念传播等近似方法的收敛问题，并在各种基准测试中取得了最先进的性能。
-
新方法支持具有可变阶马尔可夫模型的约束序列生成
研究人员开发了一种使用可变阶马尔可夫模型并包含规则约束的序列生成新方法。该方法扩展了现有的信念传播技术，以处理生成序列中的固定位置或禁止模式等复杂要求。该方法识别信念传播的特定状态空间，确保准确生成，而无需考虑所有可能的序列组合。
-
图归一化为NP难的最大权重独立集问题提供可微分近似
研究人员开发了图归一化（Graph Normalization, GN），一个新颖的动力学系统，用于近似NP难的最大权重独立集（Maximum Weight Independent Set, MWIS）问题。GN提供了一种原则性且可微分的方法，收敛于最大独立集的二值指示符，并在大规模基准测试中优于现有求解器。该方法在需要约束下进行硬决策的深度学习架构中具有潜在应用，例如结构化注意力（structured attention）和专家混合…